高速列车在移动闭塞条件下的运行仿真

本文构造了移动闭塞条件下的高速列车计算机运行仿真系统,介绍了系统总体结构,对列车实际运行间隔进行了分析,对各功能模块进行了描述。该系统为进一步分析研究移动闭塞条件下高速列车追踪运行间隔模型、列车的优化控制方法和列车的运行延误影响等提供了仿真平台,对系统实际运用起到了指导的作用。     

基于OD的微观交通发车仿真系统设计*

在分析了微观交通发车的一般流程和方法及微观交通仿真系统需求的基础上,设计了基于OD矩阵的微观发车仿真系统结构,分别应用GIS的思路、Floyd-Warshall算法和函数变换法实现了仿真系统中交通网络模块、道路路径模块和发车模块的功能,并介绍了OD矩阵模块和车辆模块的实现思路。最后采用面向对象的程序设计方法生成了符合仿真需求的运动车辆,为微观交通仿真系统的实现奠定了基础。     

铁路移动闭塞系统列车信息的移动性管理

移动闭塞技术已经成功地应用于城市轨道交通,能够提高运输效率,但尚未在铁路上实际应用。该文分析铁路运输相比于城市轨道交通的特殊性和复杂性,讨论列车信息移动性管理对铁路移动闭塞系统的重要性,提出车站“三环节”列车信息动态管理策略和基于双向链表存储结构的区间列车信息动态管理办法,研究基于层次索引的列车信息查询,分析其相关算法和性能。对铁路移动闭塞系统的研究与应用,有一定参考价值。     

移动闭塞系统列车组合定位导航技术研究

首先,分析了移动闭塞系统及其定位导航技术的研究现状,建立了基于网络实时动态测量(RTK)技术的GPS/INS/MM的定位导航组合方案;然后,提出了用伪距差分计算用户站概略位置和用载波相位差分计算整周模糊度单差值的快速差分算法.并讨论了有助于列车导航和控制的列车信息移动管理和基于GPRS的数据通信等;最后,对网络RTK快速差分算法进行了仿真分析,其结果验证了该算法对实现列车实时精确定位导航的可行性.     

移动边缘计算中基于粒子群优化的计算卸载策略

计算卸载作为移动边缘计算（MEC）中降低时延与能耗的手段之一,通过合理的卸载决策能够降低工业成本。针对工业生产线中部署MEC服务器后时延变长和能耗增高的问题,提出了一种基于粒子群优化（PSO）算法的计算卸载策略PSAO。首先,将实际问题建模为时延模型与能耗模型。由于是针对时延敏感型的应用,因此将模型转化为在能耗约束条件下的最小化时延问题,使用惩罚函数来平衡时延与能耗。其次,根据PSO算法优化后得到计算卸载决策向量,通过集中控制的方式使每一个计算任务合理分配到对应的MEC服务器。最后,通过仿真实验,对比分析了本地卸载策略、MEC基准卸载策略、基于人工鱼群算法（AFSA）的卸载策略以及PSAO的时延数据,PSAO的平均总时延远远低于其他三种卸载策略,PSAO比原来系统总代价降低了20%。实验结果表明,PSAO策略能够降低MEC中的时延,均衡MEC服务器的负载。     

移动边缘计算中计算卸载与资源分配联合优化策略

为了在移动边缘计算(MEC)中最大限度地减少处理用户任务的时延和能耗,改善用户体验,以最小化用户的完成时间和能耗的加权和为目标,在计算资源的约束下研究了多用户、多MEC服务器中的计算卸载问题。针对此问题,考虑卸载决策和资源分配之间存在的依赖关系,首先将原问题解耦为卸载决策和计算资源分配2个子问题。然后,使用鲸鱼优化算法求解卸载决策问题,通过添加非线性收敛因子和惯性权重加快收敛速度;引入反馈机制,防止陷入局部最优,得到更高概率可行的卸载决策;对于资源分配问题使用拉格朗日乘子法得到每个卸载决策下的最佳计算资源分配解。最后,通过多次迭代得到稳定的收敛解。仿真实验结果表明,与其他基准方案相比,最多减少了44.6%的系统开销。     

基于CORDIC的反双曲正切函数的FPGA实现

双曲函数的应用领域十分广泛。本文首先介绍CORDIC算法双曲系统的基本原理及其计算模式,对CORDIC内核及其处理单元做了详细分析。在迭代算法的基础之上,采用流水线技术,以面积换速度,给出了一种基于流水线的CORDIC来实现反双曲正切函数,具有很高的精度和很快的速度,使设计出的软核能够在精度要求很高的场合中运行。用Verilog HDL对其编程设计和进行功能仿真、时序仿真及下载测试的结果表明,该函数具有很好的实用性。     

基于缓存优化的移动边缘计算资源分配策略

移动边缘计算研究中,边缘服务器通过缓存任务数据可以有效节约计算资源,但如何分配缓存资源解决边缘服务器的竞争关系,以及能耗和效益问题,达到系统性能最优是一个NP难问题。为此提出基于缓存优化的在线势博弈资源分配策略OPSCO(online potential-game strategy based on cache optimization),采用新的缓存替换策略CASCU(cache allocation strategy based on cache utility),最大化缓存的效用。通过优化边缘服务器的效益指示函数,将缓存替换代价等因素与李雅普诺夫优化、势博弈以及EWA(exponential weighting algorithm)算法结合,对边缘服务器的竞争关系建模,进行势博弈相关证明和分析。仿真结果表明,OPSCO相比于其他资源分配策略,可以明显提升任务完成率和缓存效用,并降低设备能耗和时间开销,解决了移动边缘计算在线缓存场景中的资源分配以及数据缓存问题。     

基于双曲函数的变步长LMS算法及其分析

提出一种基于双曲函数的变步长最小均方(LMS)算法.通过对双曲余弦函数进行数学变换,建立起误差信号与步长因子的LMS算法,根据误差信号的变化来自动调节步长的大小.仿真结果证明:所提出的LMS算法比标准的LMS算法有着更快的收敛速度等优点.     

基于移动边缘计算的车联网缓存策略研究

针对车联网中数据流量爆炸式增长而引起的业务响应时延过高的问题,提出了一种基于移动边缘计算的蚁群模拟退火算法缓存策略(ACSAM)。首先,在基于5G的车—边—云协同系统架构下,以最小化内容下载时延为目标,建立了通信计算模型;其次,采用蚁群算法构造了使内容下载时延最小的局部最优解;最后,使用模拟退火算法对局部最小下载时延进行扰动,并以一定概率接受新解,从而得到全局最小下载时延,即保证了内容被预缓存在最佳的位置。仿真结果表明,在车—边—云协同架构下,ACSAM缓存策略可显著减少传输冗余,降低下载时延。     

振动系统的时频域仿真分析研究

将有限自由度振动系统物动力学方程化为系统的状态方程和传递函数，以状态变量分析法和机械阻抗分析法代替振动模态分析法，直接运用MATLAB仿真功能及其控制系统工具箱函数，对振动系统进行了时频域仿真分析，并通过实例进行了说明，为振动系统的分析与设计提供一种工具。     

Design and Comparison Base Analysis of Adaptive Estimator for Completely Unknown Linear Systems in the Presence of OE Noise and Constant Input Time Delay

In this paper, an adaptive estimator (AE) is introduced to learn the approximate Q‐function and control policy by only using the noisy states and control signals of the unknown linear, discrete time systems having constant input time delay. The system measurements are uncertain owing to output error (OE)‐type noise acting randomly on the system measurements. Therefore, this research differs from the designed AE in the literature since previous research ignores the role of the external random disturbances on AE‐based learning. In order to compare the AE‐based learning results with traditional system identification (SI) approaches, a modified version of the OE model structure for unstable systems is reviewed and parameters of a second‐order unstable system with constant input time delay are identified. The simulation results demonstrate that the designed AE efficiently minimizes the stochastic cost function and the temporal difference error by learning the approximate solution for the Hamilton‐Jacobi‐Bellman (HJB) equation. It is noted that the error in the Q‐function obtained with the AE is slightly larger than the Q‐function attained with the identified OE parameters. However, as the noise standard deviation increases, the error in the AE‐based learning results reduces whereas the error in the OE‐based learning increases. This indicates that even though the added random noise deteriorates the performance of the OE predictor, it improves the learning efficiency of the AE since it acts like exploration noise.